Файл: Сейдж Э.П. Идентификация систем управления.pdf

242

Л И ТЕ РА ТУ РА

99.

M e h r a

R. К. (1969а), Identification of stochastic linear

dynamic systems, Proc. 8th. Symp. Adaptive Processes,

pp. 6—

—f—1—6—f—5, November 1969 [4.4].

methods

in

abstract

100.

M e i я e 1

W. S. (1968),

Least-square

101.

pattern recognition, Inform. Sci. 1, 43—54

[1].

An analysis

M e i s s i n g e r

H. F.,

B e k e y

G. A. (1966),

of continuous parameter

identification

methods,

Simulations

102.

6, 95-102 [2].

S c h u l t z

D. G. (1969),

Linear

Control

M e 1 s a

I. L.,

Systems,

McGraw-Hill, New

York

[2,

4].

104.

M e r r i a m

C. W.

(1964),

Optimization

Theory

and

the

105.

Design of Feedback Control Systems, McGraw-Hill, New York [1].

M i s h k i n

E . , B r a u n

L. (1961), Adaptive Control Systems,

106.

McGraw-Hill, New York [1, 2].

Several

trajectory

M o y e r

H. G.,

P i n k h a m

G. (1964),

optimization techniques; Part II: Application, в сб. «Computing

Methods

in

Optimization

Problems»

(A. V. Balakrishnan

and

L. W. Neustadt, eds),

pp. 91—105, Academic Press, New York

107.

[4.3,

6.2].

E. I.

(1970),

Adaptive algorithms

for

О z a

K. G., J u у

108.

identification problem, Automatica 6, 795—820 [1].

P a n u s k a

V. (1968), A stochastic approximation method

for identification of linear systems using adaptive filtering,

Proc.

Joint

Automatic Control Conf., Ann Arbor, Michigan,

June

1968,

pp.

1014-1021

[5.3].

110. R a u c h

H. E.,

T u n g

F.,

S t r i e b e l

С. T . (1965),

Maximum

likelihood

estimates

of linear dynamic systems

AIAA J. 3, 1445-1450 [1, 3.3].

Analog methods

111. R i c k e r

D. W. ,

S a r i d i s G. N. (1968),

for on-line system identification using noisy measurements,

Simulation

8,

241—248 [41].

112.

R o b b i n s

H., M o n r o

S. (1957), A stochastic approxima­

ИЗ.

tion method, Ann. Math. Statist. 22, 400—407 [4].

R o g e r s A. E . , S t e i g l i t z K . (1967), Maximum likelihood

estimation

of

rational

transfer

function parameters, IEEE

Trans. Automatic

Control

AC-14, 594—597

[3.4, 3.2].

S a g e

A. P. (1968), Optimum Systems Control, Prentice-

Hall,

Englewood Cliffs, New Jersey [1, 4,

6, 7].

of bias

117. S a g e

A. P. (1970), Maximum likelihood

estimation

in sequential estimation, Proc. Univ. Missouri at Rolla, Mervin J.

Kelly

Communications Conference, October 1970 [3,

7].

Л И ТЕРАТУРА

243

118.

S a g e

А. Р.,

B u r t

R. W.

(1965),

Optimum

desing and

error analysis of digital integrators for discrete system simulation,

119.

A. F. I. P. S. Proc. FJCG 27,

Las Vegas,

Nevada, pp. 903—914.

S a g e

A. P., C h o a t e

W. C. (1965),

Minimum time iden­

tification of non-stationary dynamic processes, Proc. Nat. Elect­

120.

ron. Conf. 21, 587—592 [2.4].

B. R.

(1965),

Experiments

S a g e

A. P.,

E i s e n b e r g

in nonlinear and nonstationary system identification via qua­

silinearization

and. differential

approximation,

Proc.

Joint

121.

Automatic

Control Conf.,

pp. 522—530

[6.2].

suboptimal

S a g e

A. P.,

E l l i s

T. W.

(1966),

Sequential

adaptive control of non-linear systems, Proc. Nat. Electron.

122.

Conf. 22, 692-697 [7.3].

Adaptive filtering

with

S a g e

A. P.,

H u s a

G. W. (1969),

unknown prior statistics, Proc. 1969 Joint Automatic Control

123.

Conf. [3.3].

H u s a

G. W. (1969), Algorithms for sequential

S a g e

A. P.,

adaptive estimation of prior statistics, Proc.

1969

Symp. Adap­

124.

tive Processes

[3]..

J. L. (1971),

Algorithms

for

continuous

S a g e

A, P „

L i n

sequential maximum likelihood bias estimation and associated

125.

error analysis,

Inform.

Sci.

3

[7].

On-line estimation

S a g e

A. P.,

M a s t e r s

G. W.

(1966),

of states and parameters for discrete non-linear dynamic systems,

126.

Proc. Nat. Electron. Conf. 22, 677—682

[7.2].

S a g e

A. P. ,

M a s t e r s

G. W. (1967),

Identification and

modeling of states and parameters of nuclear reactor systems,

127.

IEEE Trans. Nucl. Sci., pp. 279—285,

February

1967

[7.2].

S a g e

A. P.,

M e l s a

J. L. (1971), Estimation

Theory with

Application to Communications and Control, McGraw-Hill,

128.

New York

[1,

3,

7].

S. L. (1966), Real-time digital simula­

S a g e

A. P.,

S m i t h

129.

tion for

systems

control,

Proc.

IEEE

54,

1802—1812

[6.3].

S a g e

A. P.,

W a к e f i e 1 d

C. D.

(1970),

System identi­

fication with noise corrupted input observation, SWIEEECO

Record

Technical

Papers,

pp. 333—337, April

22—24,

1970,

130.

Dallas,

Texas

[7.3].

S a k r i s o n

D. J. (1966), Stochastic Approximation, Advan.

131.

Commun. Syst. 2,

51—106.

approximation

S a к r i s о n D. J. (1967), The use of stochastic

to solve the system identification problem, IEEE Trans. Auto­

132.

matic Control AC-12, 563—567 [5.3].

S a г i d i s

G. N., S t e i n G. (1968), Stochastic approximati­

on algorithms for

linear

discrete-time

system

identification,

133.

IEEE Trans. Automatic; Control AC-13,

515—523 [5.3].

S a r i d i s

G. N.,

N i k o l i c

Z. J.,

Fu

K. S. (1968),

Stochastic approximation algorithms for system identification,

estimation and decomposition of mixtures, IEEE Trans. Syst.

134.

Sci. Cybernetics SSC-5, 8—15 [5.3].

S c h l e y

С. H.,

Jr . ,

L e e

I. (1967), Optimal control com­

putation by the Newton—Raphson method and the Riccati trans

formation, IEEE Trans. Automatic Control AC-12,139—144 [6.2].

244

Л И ТЕ РА ТУРА

137.

Conf., pp.

698—702 [3.4].

of minimization techniques

S p a n g

H. A. (1962),

A review

138.

for nonlinear

functions, SIAM Rev. 4, 343—365

[1].

S t a n c i 1

R. T.

(1964), A new approach to steepest ascent

139.

trajectory

optimization,

A I A A

J. 2,

1365—1370

[4.3].

S t e i g l i t z

K., M c B r i d e

L. E. (1965), A technique

for the identification of linear systems, IEEE Trans. Automatic

140.

Control 10, 461—464 [4.2].

S w o r d e r

D. D. (1966), A study of the relationship between

identification

and

optimization

in

adaptive control problems,

141.

J. Franklin

Inst.

281,

198—213

[1].

(1965),

Two point

S y l v e s t e r R. J. ,

M e y e r

F.

boundary value problems by quasi-linearization, J. Soc. Indus.

142.

Appl. Math. 13, 586-602 [6.2].

K.

(1967), Power spectrum

T r e t t e r

S. A.,

S t e i g l i t z

identification in terms of rational models, IEEE Trans. Automa­

tic Control AC-12,

185—188 [2.3].

147.

W o n g

K. Y., P o l a k

E. (1967),

Identification of linear

discrete time systems using the instrumental variable method,

148.

IEEE Trans. Automatic

Control

AC-12, 707—718 [2].

Y o r e

E. E., T a k a h a s h i

Y.

(1967), Identification of

dynamic systems by digital computer

modeling in state space,

Модель наблюдений 59, G6, 91

Стохастическая

аппроксимация,

— настраиваемая

118

алгоритм

Роббинса — Монро

— обучающаяся 44

59,

132

— формирования

сигнала

— —, многомерный алгоритм

66,

75,

91

135

принцип

мак­

— эталонная 44

Стохастический

симума

153

Наблюдаемость

55

— — — в

дискретной форме

153

— — — в непрерывной форме

Оценка

максимального

правдо­

157

38

Субспектр

подобия

13,

53

— максимальной апостериорной

Теорема отделимости

138

вероятности

52, 61

Подход

байесовский 13,

58

Уравнение

дифференциальное

стохастическое

И ,

60

Полиномы (мпогочлены) Лагер-

— регрессии 132

214, 215

ра 48

— Риккати

127,

— Эрмита 48

инвариантное

14,

— свертки

16

Погружение

Уравнения канонические 65, 70,

204

76,

81

76

Преобразование Заде 31

— Эйлера — Лагранжа 63,

— Лапласа 48

— Фурье 25, 38, 41

Фильтр Калмана 13, 208, 209

— — быстрое 18, 23

— частотное, зависящее от вре­

— низкочастотный 37

мени 33

эквива­

— полосовой 38,

42

Принцип

достоверной

Функции

Лагерра 47

лентности

138

63,

— Эрмита

48

13,

15

и

д.

— максимума

дискретный

Функция

весовая

76

65

— Дирака

26

18

— — непрерывный

— единичного скачка

Процесс

винеровский 61

— передаточная 31

— невязки 84

— переходная 33

— штрафа 51 и д., 112, 119,

Распределение апостериорное 59

129,

138

— априорное

63,

72 и

д.

Цена ошибки 51

Свободные

системы 159

Шум белый 13, 23, 27, 67

Спектр

38

аппроксимация

— входной*

(объекта) 12, 24,

Стохастическая

42,

67,

73, 83,

83,

97

14,

75,

131

Дворецкого

— измерений (наблюдений) 19

— —,

алгоритм

27, 67, 73,

83,

97

133

—

Кифера — Вольфови-

------- ,

Экстраполяция одношаговая 90

ца

132,

133